一种基于轻量化目标检测方法的巡逻机器人辅助系统技术方案

本发明专利技术公开了一种基于轻量化目标检测方法的巡逻机器人辅助系统，基于YOLOv4模型，在此基础上使用比传统YOLOv4更加轻量的YOLOv4

【技术实现步骤摘要】
一种基于轻量化目标检测方法的巡逻机器人辅助系统


[0001]本专利技术属于计算机视觉中的目标检测
，具体涉及一种基于轻量化目标检测方法的巡逻机器人辅助系统。

技术介绍

[0002]巡逻机器人作为当前城市公共安全的基础设施，视频图像信息已成为支撑治安防控、维护社会稳定的重要手段。随着监控系统朝着智能化方向发展，视频检测手段更加成熟、完善，检测精度逐渐增高。行人与车辆作为公共安全监控过程中重要的检测目标，精准性和实时性变得愈发重要。
[0003]巡逻机器人是搭载了视觉传感器，通过目标检测器及视觉伺服系统控制机器人的场景识别及运动。由于图像可以表达出丰富的语义信息，利用目标检测方法巡逻机器人可以更好的识别周围环境，在多种场景中均有需要，如巡逻机器人可以在工厂环境中，识别出目标工位，并通过视觉系统自动导引到目标点；或者在公共服务场景中，巡逻机器人可以完成安检工作，甚至识别并移动危险物品。搭载基于深度学习方法目标检测技术作为巡逻机器人的辅助系统可以更具场景识别出环境中的物体，能提高机器人在复杂场景中定位与导航的稳定性和智能性。
[0004]现实中复杂场景下，尤其在车辆堵塞的地区、行人汇集地域，行人与车辆检测的精度、速度受到了极大的影响。合理均衡模型处理速度、检测精度，成为巡逻机器人辅助系统环节亟待解决的问题。
[0005]尽管深度学习在目标检测任务中表现突出，但深度学习模型中数以亿计的权重参数量和巨大的计算量使得诸多现实应用望而却步，目前大部分的深度学习模型的实现都离不开高性能计算机，模型的训练和运行过程都需要使用计算能力强大的GPU甚至多块GPU进行分布式运算，这样的存贮和计算压力大大限制了深度学习的应用推广。本文将探索如何用深度学习理论解决遥感图像目标检测问题，并针对深度学习模型参数量大，存储和计算代价高等问题，设计轻量化的图像目标检测模型，以为模型移植于硬件受限的移动数据终端提供参考。

技术实现思路

[0006]本专利技术的目的在于提出一种基于轻量化目标检测方法的巡逻机器人辅助系统。
[0007]本专利技术的目的通过如下技术方案来实现：
[0008]一种基于轻量化目标检测方法的巡逻机器人辅助系统，对YOLOv4模型算法进行轻量化改进，改进后的YOLOV4模型的主干网络部分为MobileNetV3；瓶颈部分，CBL5、CBL3模块中采用DO
‑
Conv模块；整体网络模型中的CBLn模块部分，采用ReLU6激活函数。
[0009]进一步地，所述网络的主干部分使用MobileNetV3替换CSPDarknet53。
[0010]进一步地，所述CBL5、CBL3模块中的3
×
3、5
×
5标准卷积模块均采用3
×
3、5
×
5DO
‑
Conv模块进行替代。
[0011]进一步地，所述CBLN模块中的激活函数Leaky ReLU，均采用ReLU6进行替代。
[0012]进一步地，所述轻量化目标检测方法采用的数据集来源于PASCALVOC 07+12、MS COCO 2017数据集。
[0013]本专利技术的有益效果在于：
[0014]针对现有技术中目标检测方法的网络参数数量较大且嵌入式设备的计算能力有限，检测性能不佳，难以在巡逻机器人平台上运行，导致目标检测速度低的问题，本专利技术安装在巡逻机器人上的基于视觉的场景检测辅助系统，通过轻量化目标检测主干部分、瓶颈层部分以及激活函数模块，提高目标检测速度，实现精度与速度之间的平衡，让目标检测方法更好的搭载在巡逻机器人上。
[0015]本专利技术对传统YOLOv4算法进行轻量化改进，在保证精度与速度之间平衡的同时，减少了模型参数量，实现了轻量化操作，具有较高的工程实用性。本专利技术采用MobileNetV3、DO
‑
Conv模块对传统YOLOv4冗余的网络进行轻量化设计，YOLOv4
‑
lite的参数量为34MB，仅为YOLOv4的13％；在Tian X上的检测速度达到41.82fps，是YOLOv4的1.7倍；在PASCAL VOC07+12数据集上的精度为70.38％，在MS COCO 2017数据集上的精度为27.63％。
附图说明
[0016]图1是所述网络YOLOv4
‑
lite的结构图；
[0017]图2是MobileNetV3网络的单元结构图；
[0018]图3是DO
‑
Conv的结构图；
[0019]图4是CBL3模块和CBL5模块的结构图；
[0020]图5是CBLn模块的结构图；
[0021]图6是YOLOv4
‑
lite与其他模型的参数量对比图；
[0022]图7是YOLOv4与YOLOv4
‑
lite的训练曲线对比图；
[0023]图8是Person类的PR曲线对比图；
[0024]图9是YOLOv4与YOLOv4
‑
lite的mAP精度对比图；
[0025]图10是YOLOv4在PASCALVOC07+12数据集上的检测结果示意图；
[0026]图11是YOLOv4
‑
lite在PASCALVOC07+12数据集上的检测结果示意图。
具体实施方式
[0027]下面结合附图对本专利技术做进一步描述。
[0028]当前的目标检测算法虽然可以在大型计算机上实现实时目标检测的效果，但嵌入式设备的计算能力有限，为了解决巨大的参数量导致目标检测模型难以在巡逻机器人上实际应用且性能较低的问题，本专利技术以YOLOv4网络为基础，对其进行了网络轻量化的改进设计，主要改进点如下：改进点1、CSPDarknet53虽然可以提高网络精度，但也伴随着巨大的参数量，为了保证网络的高效率和灵活性，巡逻机器人在制造和设计时需要满足一定的工艺要求并尽可能减少设备的整体尺寸，这导致设备的计算能力无法目标检测辅助系统的实际应用要求。因此将YOLOv4中的骨干提取网络CSPDarknet53替换为MobileNetV3，选择一个更轻量的骨干网络来减少模型的参数量和计算量。
[0029]改进点2、将CBL3、CBL5中的3
×
3标准卷积模块替换为DO
‑
Conv模块，在不增加网络
层数的情况下提升网络的特征提取能力，提高目标检测器性能的同时，不会导致推理的计算复杂性增加。
[0030]改进点3、将CBLn模块中的Leaky ReLU替换为ReLU6，通过改变激励函数提升目标检测网络在移动设备上的性能表现。
[0031]下面对上述改进思路中涉及的技术术语进行分析说明，这些技术术语均为本领域公知技术：
[0032]1、YOLOv4
[0033]YOLO系列网络的单阶段检测结构，没有RPN网络和类似于Anchor的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于轻量化目标检测方法的巡逻机器人辅助系统，其特征在于：对YOLOv4模型算法进行轻量化改进，改进后的YOLOV4模型的主干网络部分为MobileNetV3；瓶颈部分，CBL5、CBL3模块中采用DO
‑
Conv模块；整体网络模型中的CBLn模块部分，采用ReLU6激活函数。2.根据权利要求1所述的一种基于轻量化目标检测方法的巡逻机器人辅助系统，其特征在于：所述网络的主干部分使用MobileNetV3替换CSPDarknet53。3.根据权利要求1所述的一种基于轻量化目标检测方法的巡逻机器人辅助系统，其特征在于：所述CBL5、CBL3...

【专利技术属性】
技术研发人员：钱华明，丁鹏，周易鹏，阎淑雅，鲍家兵，冯士宝，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：